1.一种对抗样本图像质量评价方法，其特征在于，包括以下步骤：步骤1，通过分类器筛选出置信度大于置信度阈值的原始图像构建对抗样本数据集，利用多种对抗攻击方法攻击对抗样本数据集，通过调节不同攻击方法的参数得到对抗样本；

步骤2，计算对抗样本的残差图像，利用特征编码网络对原始图像、对抗样本和残差图像进行特征预提取，通过拼接将提取到原始图像、对抗样本和残差图像的特征图进行拼接得到新的特征图，进一步利用多尺度特征提取网络对新的特征图和对抗样本的特征图进行处理获取不同尺度的特征图；

步骤3，利用结构相似性度量方法度量不同尺度的特征图，获得对应的分数，最后平均化处理所有尺度的分数得到最终的质量分数。

2.根据权利要求1所述的对抗样本图像质量评价方法，其特征在于，步骤1具体包括：步骤1.1，选取VGG、ResNet、AlexNet和GoogleNet四个分类器获取输入图像的置信度，分别标记为 ，对于输入图像 ，当输入图像 的 中至少有三个大于

90%时，将输入图像 作为置信度大于置信度阈值的原始图像；

步骤1.2，利用多种对抗攻击方法攻击对抗样本数据集，多种对抗攻击方法分别为FGSM、MI‑FGSM、PI‑FGSM、Gaussian Noise、PGD、ODS‑PGD，每种攻击方法的初始Epsilon值分别为(0.01,0.1,0.2,0.3,0.5)、(0.01,0.1,0.2,0.3,0.5)、(0.5,5,15,35,55)、(0.01,0.1,

0.2,0.3,0.5)、(0.01,0.1,0.2,0.3,0.5)、(0.03,0.10,0.20, 0.30,0.50)。

3.根据权利要求2所述的对抗样本图像质量评价方法，其特征在于，步骤2具体包括：步骤2.1，基于原始图像和对抗样本，利用归一化对数差分函数计算生成残差图像，计算公式如下：；

其中， 表示残差图像的像素， 表示原始图像的像素， 表示对抗样本的像素，表示图像归一化影响参数；

步骤2.2，构建特征编码网络，所述特征编码网络的第1层卷积层的输入通道为3，输出通道为32，卷积核大小为3，步长为1，所述特征编码网络的第2、3、4层卷积层的输入通道为

32，输出通道为32，卷积核大小为3，步长为1，通过特征编码网络对原始图像、对抗样本和残差图像进行特征预提取，得到原始图像、对抗样本和残差图像的特征图；

步骤2.3，基于多尺度特征提取网络的对抗样本图像质量评价方法，利用拼接函数Torch.cat()拼接原始图像、对抗样本和残差图像的特征图，得到新的特征图Feature_map，拼接过程如下：；

其中，dim表示维数，当dim=1时，表示对列进行拼接；

步骤2.4，对新的特征图进行若干次降维处理；

步骤2.5，将步骤2.4中得到的降维处理后的新的特征图和步骤2.2得到的对抗样本的特征图输入至多尺度特征提取网络中获取不同尺度的特征，分别为特征图 和对抗样本 。

4.根据权利要求3所述的对抗样本图像质量评价方法，其特征在于，步骤2.1中，的取值为1。

5.根据权利要求3所述的对抗样本图像质量评价方法，其特征在于，步骤3具体包括：步骤3.1，基于特征图 和对抗样本 ，利用结构相似性度量方法度量不同尺度的特征图，获得对应的分数，计算公式如下：

；

其中， 表示尺度 对应的分数， 和 分别表示尺度 的特征图 和对抗样本 的方差， 表示尺度 的特征图 和对抗样本 的协方差，C为防止分母为0的自然数；

步骤3.2，平均化处理所有尺度的分数得到最终的质量分数，计算公式如下：；

其中， 表示最终的质量分数，n表示尺度总数。

6.一种对抗样本图像质量评价系统，其特征在于，包括：图像预处理模块，用于通过分类器筛选出置信度大于置信度阈值的原始图像构建对抗样本数据集，利用多种对抗攻击方法攻击对抗样本数据集，通过调节不同攻击方法的参数得到对抗样本；

计算拼接模块，用于计算对抗样本的残差图像，利用特征编码网络对原始图像、对抗样本和残差图像进行特征预提取，通过拼接将提取到原始图像、对抗样本和残差图像的特征图进行拼接得到新的特征图，进一步利用多尺度特征提取网络对新的特征图和对抗样本的特征图进行处理获取不同尺度的特征图；

分数计算模块，用于利用结构相似性度量方法度量不同尺度的特征图，获得对应的分数，最后平均化处理所有尺度的分数得到最终的质量分数。

7.根据权利要求6所述的对抗样本图像质量评价系统，其特征在于，所述图像预处理模块具体用于执行以下步骤：步骤1.1，选取VGG、ResNet、AlexNet和GoogleNet四个分类器获取输入图像的置信度，分别标记为 ，对于输入图像 ，当输入图像 的 中至少有三个大于

90%时，将输入图像 作为置信度大于置信度阈值的原始图像；

步骤1.2，利用多种对抗攻击方法攻击对抗样本数据集，多种对抗攻击方法分别为FGSM、MI‑FGSM、PI‑FGSM、Gaussian Noise、PGD、ODS‑PGD，每种攻击方法的初始Epsilon值分别为(0.01,0.1,0.2,0.3,0.5)、(0.01,0.1,0.2,0.3,0.5)、(0.5,5,15,35,55)、(0.01,0.1,

0.2,0.3,0.5)、(0.01,0.1,0.2,0.3,0.5)、(0.03,0.10,0.20, 0.30,0.50)。

8.根据权利要求7所述的对抗样本图像质量评价系统，其特征在于，所述计算拼接模块具体用于执行以下步骤：步骤2.1，基于原始图像和对抗样本，利用归一化对数差分函数计算生成残差图像，计算公式如下：；

其中， 表示残差图像的像素， 表示原始图像的像素， 表示对抗样本的像素，表示图像归一化影响参数；

步骤2.2，构建特征编码网络，所述特征编码网络的第1层卷积层的输入通道为3，输出通道为32，卷积核大小为3，步长为1，所述特征编码网络的第2、3、4层卷积层的输入通道为

32，输出通道为32，卷积核大小为3，步长为1，通过特征编码网络对原始图像、对抗样本和残差图像进行特征预提取，得到原始图像、对抗样本和残差图像的特征图；

步骤2.3，基于多尺度特征提取网络的对抗样本图像质量评价方法，利用拼接函数Torch.cat()拼接原始图像、对抗样本和残差图像的特征图，得到新的特征图Feature_map，拼接过程如下：；

其中，dim表示维数，当dim=1时，表示对列进行拼接；

步骤2.4，对新的特征图进行若干次降维处理；

步骤2.5，将步骤2.4中得到的降维处理后的新的特征图和步骤2.2得到的对抗样本的特征图输入至多尺度特征提取网络中获取不同尺度的特征，分别为特征图 和对抗样本 。

9.根据权利要求8所述的对抗样本图像质量评价系统，其特征在于，的取值为1。

10.根据权利要求8所述的对抗样本图像质量评价系统，其特征在于，所述分数计算模块具体用于执行以下步骤：步骤3.1，基于特征图 和对抗样本 ，利用结构相似性度量方法度量不同尺度的特征图，获得对应的分数，计算公式如下：

；

其中， 表示尺度 对应的分数， 和 分别表示尺度 的特征图 和对抗样本 的方差， 表示尺度 的特征图 和对抗样本 的协方差，C为防止分母为0的自然数；

步骤3.2，平均化处理所有尺度的分数得到最终的质量分数，计算公式如下：；

其中， 表示最终的质量分数，n表示尺度总数。